李 莹,李晓霞

(1.西安邮电大学 现代邮政学院，陕西 西安 710061，2.长安大学 汽车学院，陕西 西安 710061)

1 概述

智能运输系统(ITS)代表了运输系统未来的发展方向，旨在提供更好更智能的服务。主要基于数据采集技术、通信技术和数据库管理技术，可提供包括智能交通控制系统、车祸管理系统、智能交通导航系统、驾驶辅助系统等在内的多个重要应用[1]。

ITS中最重要的便是数据的采集和分析，并在此基础上做出决策。由此可见，ITS天然地与大数据紧密结合在一起。文献[2]和文献[3]指出，精确有效的大数据分析工具能更好地支撑ITS。

虽然对交通流进行精准预测是智能运输系统中的重要组成部分，但是，随着海量数据的积累，传统的分析手段不足以充分挖掘有效信息[4]。文献[5]指出，交通流预测手段已经从传统的基于统计学的参数方法[6]、基于机器学习的非参数方法[7]，演变为基于大数据的深度学习方法[8]。

近年来，文献研究的预测模型主要包括：时间序列模型、神经网络模型、支持向量机模型、历史平均模型等，但是大部分模型未考虑目标路段所在路网的物理空间信息，而是只利用了该路段的历史交通流数据信息。WU[9]等人利用卷积神经网络和循环神经网络分别处理时间、时间维度的信息进行了短时交通流的预测，邹东[10]等人基于Elman神经网络算法构建了预测模型，刘小明[11]等人基于时延特性进行了多断面的短时交通流预测，陆文琦[5]等人基于混合深度学习，构建了智能网联环境下的交通流预测模型，结果表明该模型在不同车道均有理想的预测效果。……